Markov逻辑网在基于信任的推荐系统中的应用

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (23): 81-84.

Markov逻辑网在基于信任的推荐系统中的应用

熊忠阳，刘明，王勇，张玉芳，唐蓉君

重庆大学计算机学院，重庆 400044

出版日期:2012-08-11 发布日期:2012-08-21

Markov logic networks with its application in trust based recommender systems

XIONG Zhongyang, LIU Ming, WANG Yong, ZHANG Yufang, TANG Rongjun

College of Computer Science, Chongqing University, Chongqing 400044, China

Online:2012-08-11 Published:2012-08-21

摘要/Abstract

摘要： 基于信任的推荐系统是利用信任的实体进行项目推荐，然而信任是一个复杂的概念，对信任进行传播和预测是一项重要的任务。提出了用一种统计关系模型——Markov逻辑网来表示信任的传递性质，讨论了Markov逻辑网的理论模型，通过其推理算法预测信任关系，实验结果表明，在基于信任的推荐系统中Markov逻辑网方法比MoleTrust方法在推荐精度和解决冷用户问题上有更好的效果。

关键词: Markov逻辑网, 信任, 推荐系统, 统计关系学习

Abstract: The trust based recommender system is to use the trusted entities to recommend items. As trust is a complex concept, to propagate and predict trust is an important task. A Statistical Relational Learning（SRL） model, Markov Logic Networks（MLNs）, is proposed to present the transfer properties of trust. The theory model of MLNs is discussed. With MLNs’s reasoning algorithm, the trust relationships are predicated. In the trust based recommender systems, the experimental results show that MLNs has a higher accuracy and better solution of cold-user problem than MoleTrust approach.

Key words: Markov logic networks, trust, recommender systems, statistical relational learning

熊忠阳，刘明，王勇，张玉芳，唐蓉君. Markov逻辑网在基于信任的推荐系统中的应用[J]. 计算机工程与应用, 2012, 48(23): 81-84.

XIONG Zhongyang, LIU Ming, WANG Yong, ZHANG Yufang, TANG Rongjun. Markov logic networks with its application in trust based recommender systems[J]. Computer Engineering and Applications, 2012, 48(23): 81-84.

[1]	门嘉卫，赖成喆. 带有激励机制的车联网合作下载信任管理方案[J]. 计算机工程与应用, 2021, 57(5): 100-106.
[2]	田维安，陈红梅，周丽华. 基于相似用户好奇心的多样性推荐方法[J]. 计算机工程与应用, 2021, 57(23): 113-121.
[3]	陈海，钱付兰，陈洁，赵姝，张燕平. 基于变分自编码器的评分预测模型[J]. 计算机工程与应用, 2021, 57(22): 153-159.
[4]	张杰，张月琴，张泽华，刘志鑫，雷祥. 异质信息融合网络嵌入的注意力偏好推荐方法[J]. 计算机工程与应用, 2021, 57(21): 123-131.
[5]	顾军华，陈博，王锐，张素琪. 结合重要节点信任传播的社会化推荐算法[J]. 计算机工程与应用, 2021, 57(17): 190-195.
[6]	潘承瑞，何灵敏，胥智杰，王修晖，宋承文. 融合知识图谱的双线性图注意力网络推荐算法[J]. 计算机工程与应用, 2021, 57(1): 29-37.
[7]	应文杰，桑基韬. 改进的哈希学习高效推荐算法[J]. 计算机工程与应用, 2020, 56(9): 75-83.
[8]	余波，台宪青，马治杰. 云计算环境下基于属性和信任的RBAC模型研究[J]. 计算机工程与应用, 2020, 56(9): 84-92.
[9]	程晓娜，孙志锋. 隐式反馈场景下的LFM-XGB-LR融合推荐算法[J]. 计算机工程与应用, 2020, 56(5): 85-92.
[10]	张进，孙福振，王绍卿，王帅，鹿祥志. 融合社交关系与地理信息的兴趣点推荐模型[J]. 计算机工程与应用, 2020, 56(5): 173-178.
[11]	伍鑫，黄勃，方志军，刘文竹. 序列生成对抗网络在推荐系统中的应用[J]. 计算机工程与应用, 2020, 56(23): 175-179.
[12]	李凌，顾晓梅，刘子豪. 多子域随机森林在情境感知推荐中的应用研究[J]. 计算机工程与应用, 2020, 56(22): 132-141.
[13]	顾明星，黄伟建，黄远，生龙，申超，张梦甜. 结合用户聚类与改进用户相似性的协同过滤推荐[J]. 计算机工程与应用, 2020, 56(22): 185-190.
[14]	李浩，张亚钏，康雁，杨兵，卜荣景，李晋源. 融合循环知识图谱和协同过滤电影推荐算法[J]. 计算机工程与应用, 2020, 56(2): 106-114.
[15]	曾安，赵恢真. 融合了LSTM和PMF的推荐算法[J]. 计算机工程与应用, 2020, 56(19): 68-75.